Une équipe va prétraiter du texte avec le marquage de parties du discours (part-of-speech tagging) et l'extraction de phrases clés, puis alimenter le texte traité dans un classifieur personnalisé déjà implémenté et entraîné avec Apache MXNet. Quelle approche permet à l'équipe de livrer cette solution le plus rapidement possible ?

L'approche correcte combine la rapidité d'Amazon Comprehend pour le prétraitement (marquage de parties du discours et extraction de phrases clés) avec la flexibilité de SageMaker pour déployer le classifieur personnalisé existant. Amazon Comprehend est un service NLP entièrement géré qui offre ces fonctionnalités de prétraitement sans nécessiter de développement ou de gestion d'infrastructure. Les AWS Deep Learning Containers (DLC) dans SageMaker permettent de déployer facilement des modèles entraînés avec des frameworks comme MXNet, en fournissant des environnements pré-configurés et optimisés. L'option d'utiliser Amazon Comprehend pour la classification n'est pas viable car le classifieur est déjà implémenté et entraîné avec MXNet. L'utilisation d'une bibliothèque NLP dans SageMaker pour le marquage des parties du discours introduirait une complexité inutile par rapport à Comprehend. Enfin, l'algorithme LDA (Latent Dirichlet Allocation) de SageMaker est un modèle de topic modeling, non un classifieur généraliste, et ne correspondrait pas au classifieur personnalisé MXNet existant.